[发明专利]结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法

说明书

本发明公开了一种结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法。主要包括以下步骤：针对JPEG压缩图像，分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型；利用训练图像集，分别训练构建的两个卷积神经网络模型；使用训练得到的两个卷积神经网络，分别对JPEG压缩图像进行预测输出；使用加权平均的方式，将两个网络的预测结果进行融合；将融合后的图像张量重组成图像，得到最终的去压缩效应处理结果。本发明所述方法可以减少JPEG压缩图像中存在的压缩效应，并在一定程度上恢复图像在压缩过程中丢失的细节信息。本发明方法可以应用于图像及视频压缩、数字多媒体通信等领域。

技术领域

本发明涉及压缩图像的质量提升技术，具体涉及一种结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法，属于数字图像处理领域。

背景技术

图像压缩是一种通过减少原始图像数据间的冗余性来降低数据量的图像处理技术，可以在一定程度上节省存储空间和带宽资源。然而，在编码比特有限，也即是压缩倍数很高的情况下，压缩后的图像中会存在明显的失真和压缩效应，严重降低了压缩图像的主客观质量，限制了其进一步的应用。

JPEG压缩方法产生失真的本质是，在熵编码前对DCT系数进行了量化，引入了舍入误差。压缩图像的去压缩效应方法是一种独立于编解码器的后处理方法，能够降低编码过程中引入的舍入误差，从而实现在不改变压缩图像码率的情况下，明显提升其主客观质量。具有较高的实用性。近些年，随着机器学习和深度学习方法的快速发展，基于卷积神经网络的压缩图像去压缩效应方法进入了大众的视野。相比于传统的后处理技术，基于卷积神经网络的去压缩效应方法可以获得更高质量的图像，同时还具有更快的处理速度。然而现阶段的基于卷积神经网络的压缩图像去压缩效应算法，在预测性能和网络结构有效性等方面还有进一步提升的空间。

发明内容

本发明的目的是提升日常生活中广泛存在的JPEG压缩图像的质量。

本发明提出的结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法，主要包含以下操作步骤：

(1)针对JPEG压缩图像，分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型；

(2)利用训练图像集，分别训练步骤(1)中构建的两个卷积神经网络模型；

(3)利用步骤(2)中训练得到的两个卷积神经网络，分别对JPEG压缩图像进行预测输出；

(4)使用加权平均的方式，将步骤(3)中的两个预测结果进行融合；

(5)将融合后的图像张量重组成图像，得到最终的去压缩效应处理结果。

附图说明

图1是本发明结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法的框图

图2是卷积神经网络结构中的块像素提取层的滤波器组

图3是卷积神经网络结构中图像块提取以及其感受野的分析示意图：其中(a)为网络中图像块提取操作示意图，(b)为提出网络结构的感受野示意图

图4是卷积神经网络结构中使用的宽激活残差块结构示意图

图5是本发明与八种方法对测试图像‘Barbara’的去压缩效应处理结果对比图(JPEG压缩质量因子为10)：其中，(a)为原始未压缩图像，(b)为JPEG压缩图像，(c)到(j)为对比方法1到对比方法8的实验结果，(k)为本发明的处理结果

图6是本发明与八种方法对测试图像‘Lighthouse3’的去压缩效应处理结果对比图(JPEG压缩质量因子为10)：其中，(a)为原始未压缩图像，(b)为JPEG压缩图像，(c)到(j)为对比方法1到对比方法8的实验结果，(k)为本发明的处理结果